伪装语音检测技术是通过对语音信号进行分析处理,判断待认证语音是真实说话人的语音还是恶意的伪装语音的技术。如今信息处理技术比较发达,语音信号的伪装易于实现,说话人识别技术在面对伪装语音时的脆弱性也逐渐暴露。伪装语音是通过一定的技术手段生成的与目标说话人在各方面都很像的语音,主要有人为模仿,录音重播,语音合成和语音转换四种,这些伪装语音会对说话人识别系统的安全性能造成很大的危害。伪装语音检测系统旨在对恶意伪装的语音进行检测并拒绝,提高说话人识别系统的安全性。语音信号的纹理特征是用于区分真实语音和伪装语音的一种重要且有效的特征参数,基于局部二值模式（LBP）的伪装语音检测系统需要预先提取语音信号的声学特征,然后再对声学特征提取纹理特征向量,用于伪装语音检测。该方法的检测性能与提取的声学特征有关,如果伪装语音改变了声学特征,系统检测性能就会较差。而且在系统处于噪声环境下时,伪装语音检测的性能会变的很差。针对基于局部二值模式的伪装语音检测算法噪声鲁棒性较差的情况,论文提出了一种基于自适应中位数二值模式（Adaptive Median Binary Pattern,AMBP）的伪装语音检测算法。利用变量Q变换将语音转换成语谱图,用AMBP算法对语料库中的训练集语音提取纹理特征向量用于分类器的训练,实现伪装语音的检测。实验结果表明,基于AMBP的伪装语音检测算法在噪声环境下可以达到更好的检测效果,且信噪比越高,效果提升越明显,但是在低信噪比的条件下,该算法的性能还有待提升。为了增强系统整体的噪声鲁棒性尤其是低信噪比条件下的系统性能,论文提出了一种基于鲁棒自适应中位数二值模式（Robust Adaptive Median Binary Pattern,RAMBP）的伪装语音检测算法。该算法提取特征的对象也是语谱图,在AMBP的基础上引入噪声检测模块,对语谱图中被污染像素做标记并在特征提取的过程中排除其影响,并在阈值生成和二值模式生成的操作后得到纹理特征向量,用于伪装语音检测。实验结果表明,基于RAMBP的伪装语音检测系统在总体上具有更好的检测性能,特别是在低信噪比条件下,RAMBP检测系统的噪声鲁棒性能比AMBP检测系统具有更明显的优势。